读《Python 神经网络编程》

《Python 神经网络编程》共 3 章。第一章先讲神经网络是如何工作的，会涉及到矩阵运算。第二章用 Python 将第一章实操，搭建神经网络，使用手写数字数据集 MNIST 的一部分进行训练和测试。第三章做一些拓展延伸。

这本书的英文名是 Make Your Own Neural Network，中文翻成「Python 神经网络编程」属实相去甚远。好在小红书上有人大力推荐此书，还做了详细的介绍，不然以这中文名我可能都不会有机会翻开。

思维方式决定行为，接触机器学习后新增的思维方式便是「迭代」。从小的教育引导我们记住公式定理，去套用解决问题。机器学习¹则相反：我们有关于问题的数据，通过迭代去挖掘解决问题的「公式定理」。这也正是我们处在社会中学习的路径：观察 + 总结 + 反思。

第二章用 Python 构建神经网络，这是俺第一次处理图像数据。数据存储在 CSV 文件中，每行代表一条样本记录。每条记录有 1 + 28 * 28 = 785 个数字，其中第一个数字是标签，表示该条记录对应的真实数字，后面 784 个数字是图像中每个像素点的灰度值。整个数据处理的过程非常灵活有趣。

虽然神经网络学会了如何求解问题，但本质是个黑盒子，不能帮助我们加深对问题的理解。在拓展延伸中，作者使用向后查询（在数学上是激活函数求逆）的方法查看每个数字对应的输入节点，真是疯狂的想法，但让我对神经网络有了更形象的认识。

人类大脑在遭受损害后，其能力依然能够得到良好发挥，科学家对此深感震惊。这暗示着，神经网络将它们所学到的知识分布在几条链接权重上，也就是说，如果若干链接权重遭受了一定损害，神经网络也可以表现得相当好。这同时意味着，如果输入图像被损坏或不完整，神经网络也可以表现得相当好。

这段话虽然翻得差了点，但是大致意思还是可以理解的：神经网络具有一定的抗干扰性，在其内部受到损害或者输入异常的时候，还可以表现良好。

真是神奇。